引言

在深度學(xué)習(xí)和計算機視覺的世界里，數(shù)據(jù)是模型訓(xùn)練的基石，其質(zhì)量與數(shù)量直接影響著模型的性能。然而，獲取大量高質(zhì)量的標(biāo)注數(shù)據(jù)往往需要耗費大量的時間和資源。正因如此，數(shù)據(jù)增強技術(shù)應(yīng)運而生，成為了解決這一問題的關(guān)鍵所在。而imgaug，作為一個功能強大的圖像增強庫，為我們提供了簡便且高效的方法來擴充數(shù)據(jù)集。本系列博客將帶您深入了解如何運用imgaug進行圖像增強，助您在深度學(xué)習(xí)的道路上更進一步。我們將從基礎(chǔ)概念講起，逐步引導(dǎo)您掌握各種變換方法，以及如何根據(jù)實際需求定制變換序列。讓我們一起深入了解這個強大的工具，探索更多可能性，共同推動深度學(xué)習(xí)的發(fā)展。

前期回顧

專欄

• 數(shù)據(jù)增強專欄（頻繁更新，收藏加關(guān)注，數(shù)據(jù)增強不迷路~）

數(shù)據(jù)增強博客鏈接

在本博客中，我們將向您詳細介紹imgaug庫的數(shù)據(jù)增強方法 —— CoarseSalt方法。

CoarseSalt方法

功能介紹

iaa.CoarseSalt是imgaug庫中的一個方法，用于在圖像中添加粗粒度的鹽噪聲。以下是三個使用場景舉例：

1. 模擬真實世界的圖像：在圖像處理和計算機視覺應(yīng)用中，經(jīng)常需要使用真實世界的圖像作為數(shù)據(jù)集。然而，收集這些圖像可能是一項挑戰(zhàn)，尤其是當(dāng)涉及到特定的場景或條件時。使用iaa.CoarseSalt可以在圖像中添加粗粒度的鹽噪聲，模擬現(xiàn)實世界中由于各種因素（如傳感器噪聲、環(huán)境條件等）導(dǎo)致的圖像質(zhì)量下降。通過這種方式，可以生成更多樣化的訓(xùn)練數(shù)據(jù)集，提高模型的泛化能力。
2. 數(shù)據(jù)增強：在機器學(xué)習(xí)和深度學(xué)習(xí)中，數(shù)據(jù)增強是一種常用的技術(shù)，用于通過變換原始圖像來創(chuàng)建新的訓(xùn)練樣本。iaa.CoarseSalt可以與其它數(shù)據(jù)增強方法結(jié)合使用，為訓(xùn)練數(shù)據(jù)集添加噪聲，以增加模型的魯棒性。通過在訓(xùn)練過程中暴露模型于帶有噪聲的圖像，可以提高模型在實際應(yīng)用中對噪聲的適應(yīng)性，從而減少噪聲對模型性能的影響。
3. 測試算法的魯棒性：在評估機器學(xué)習(xí)算法的性能時，一個重要的考慮因素是算法的魯棒性。魯棒性是指算法在面對噪聲、異常值和其他干擾時的健壯性。使用iaa.CoarseSalt可以模擬圖像中的噪聲，并觀察算法在這些噪聲下的表現(xiàn)。通過這種方式，可以對算法的魯棒性進行評估和比較，并針對改進算法的魯棒性進行優(yōu)化。

語法

import imgaug.augmenters as iaa
aug = iaa.CoarseSalt(p=(0.02, 0.1), size_px=None, size_percent=None, per_channel=False, min_size=3, seed=None, name=None, random_state='deprecated', deterministic='deprecated')

以下是對iaa.CoarseSalt方法中各個參數(shù)的詳細介紹：

1. p：

   • 類型：可以是浮點數(shù)|浮點數(shù)元組|浮點數(shù)列表。
   • 描述：將像素替換為鹽噪聲的概率。
     • 若p為浮點數(shù)，則表示將像素替換為鹽噪聲的概率；
     • 若p為元組(a, b)，則將像素替換為鹽噪聲的概率為從區(qū)間[a, b]中采樣的隨機數(shù)；
     • 若p為列表，則將像素替換為鹽噪聲的概率為從列表中隨機采樣的浮點數(shù)；

2. size_px:

   • 類型：可以是整數(shù)|整數(shù)元組|整數(shù)列表。
   • 描述：定義每個噪聲方塊的大小。
     • 若size_px為整數(shù)，例如size_px為3，且RGB圖像的寬和高都為300。則每個噪聲方塊大小為(H/size_px, W/size_px), 即(100, 100) ==> 將RGB圖像分成9宮格, 每個宮格形狀(100, 100), 根據(jù)參數(shù)p的大小確定有多少個宮格會被替換為鹽噪聲方塊；
     • 若size_px為元組(a, b)，則每個噪聲方塊大小為(H/size, W/size), size為從區(qū)間[a, b]中采樣的隨機數(shù)；
     • 若size_px為列表，則每個噪聲方塊大小為(H/size, W/size), size為從列表中隨機采樣的數(shù)；
   • 注意：若size_px為None，則size_percent參數(shù)必須設(shè)置。

3. size_percent:

   • 類型：可以是浮點數(shù)|浮點數(shù)元組|浮點數(shù)列表。
   • 描述：定義每個噪聲方塊的大小。
     • 若size_percent為浮點數(shù)0.02，則每個噪聲方塊大小為(1/size_percent, 1/size_percent), 即(50, 50)；
     • 若size_percent為元組(a, b)，則每個噪聲方塊大小為(1/size, 1/size), size為從區(qū)間[a, b]中采樣的隨機數(shù)；
     • 若size_percent為列表，則每個噪聲方塊大小為(1/size, 1/size), size為從列表中隨機采樣的數(shù)；
   • 注意：若size_percent為None，則size_px參數(shù)必須設(shè)置。

4. per_channel：

   • 類型：布爾值（True或False）|浮點數(shù)。
   • 描述：
     • 若per_channel為True，則RGB圖像的每個像素位置所對應(yīng)的三個通道像素值可能不會同時替換為鹽噪聲方塊 ==> RGB圖像會出現(xiàn)彩色失真；
     • 若per_channel為False，則RGB圖像的每個像素位置所對應(yīng)的三個通道像素值會同時替換為鹽噪聲方塊；
     • 若per_channel為區(qū)間[0,1]的浮點數(shù)，假設(shè)per_channel=0.6，那么對于60%的圖像，per_channel為True；對于剩余的40%的圖像，per_channel為False；

5. min_size：

   • 類型：整數(shù)
   • 描述：考慮到錯誤地設(shè)置size_percent或size_px參數(shù)會導(dǎo)致整個圖像都被替換成鹽噪聲，因此通過設(shè)置min_size來確保最大的噪聲方塊不至于太大。

6. seed：

   • 類型：整數(shù)|None。
   • 描述：用于設(shè)置隨機數(shù)生成器的種子。如果提供了種子，則結(jié)果將是可重復(fù)的。默認值為None，表示隨機數(shù)生成器將使用隨機種子。

7. name：

   • 類型：字符串或None。
   • 描述：用于標(biāo)識增強器的名稱。如果提供了名稱，則可以在日志和可視化中識別該增強器。默認值為None，表示增強器將沒有名稱。

示例代碼

1. 使用不同的p

import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt

# 讀取圖像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 創(chuàng)建數(shù)據(jù)增強器
aug1 = iaa.CoarseSalt(p=0.2, size_px=3, size_percent=None, per_channel=False, min_size=3, seed=0)
aug2 = iaa.CoarseSalt(p=0.5, size_px=3, size_percent=None, per_channel=False, min_size=3, seed=0)
aug3 = iaa.CoarseSalt(p=0.8, size_px=3, size_percent=None, per_channel=False, min_size=3, seed=0)

# 對圖像進行數(shù)據(jù)增強
Augmented_image1 = aug1(image=image)
Augmented_image2 = aug2(image=image)
Augmented_image3 = aug3(image=image)

# 展示原始圖像和數(shù)據(jù)增強后的圖像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(Augmented_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

運行結(jié)果如下：

可以從圖1看到：

• 當(dāng)p參數(shù)設(shè)置的越接近1.0時，圖像增強后的新圖像將會出現(xiàn)更多的鹽噪聲方塊。
• 由于size_px為3，且RGB圖像的寬和高都接近300，因此每個鹽噪聲方塊的尺寸都接近(100, 100) ==> 先把RGB圖像分為9宮格，即9個相同大小的區(qū)域，再根據(jù)p確定將多少個區(qū)域替換為鹽噪聲方塊。

2. 使用不同的size_px

import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt

# 讀取圖像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 創(chuàng)建數(shù)據(jù)增強器
aug1 = iaa.CoarseSalt(p=0.5, size_px=3, size_percent=None, per_channel=False, min_size=3, seed=0)
aug2 = iaa.CoarseSalt(p=0.5, size_px=6, size_percent=None, per_channel=False, min_size=3, seed=0)
aug3 = iaa.CoarseSalt(p=0.5, size_px=10, size_percent=None, per_channel=False, min_size=3, seed=0)

# 對圖像進行數(shù)據(jù)增強
Augmented_image1 = aug1(image=image)
Augmented_image2 = aug2(image=image)
Augmented_image3 = aug3(image=image)

# 展示原始圖像和數(shù)據(jù)增強后的圖像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(Augmented_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

運行結(jié)果如下：

可以從圖2看到：

• 當(dāng)size_px參數(shù)設(shè)置的越大時，增強后的新圖像的每個鹽噪聲方塊的尺寸會越小。
  • 當(dāng)size_px=3時，由于RGB圖像的寬和高都接近300，因此每個鹽噪聲方塊的尺寸都接近(100, 100) ==> 先把RGB圖像分為9宮格，即9個相同大小的區(qū)域，再根據(jù)p確定將多少個區(qū)域替換為鹽噪聲方塊。
  • 當(dāng)size_px=6時，由于RGB圖像的寬和高都接近300，因此每個鹽噪聲方塊的尺寸都接近(50, 50) ==> 先把RGB圖像分為36宮格，即36個相同大小的區(qū)域，再根據(jù)p確定將多少個區(qū)域替換為鹽噪聲方塊。
  • 當(dāng)size_px=10時，由于RGB圖像的寬和高都接近300，因此每個鹽噪聲方塊的尺寸都接近(30, 30) ==> 先把RGB圖像分為100宮格，即100個相同大小的區(qū)域，再根據(jù)p確定將多少個區(qū)域替換為鹽噪聲方塊。

3. 使用不同的size_percent

import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt

# 讀取圖像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 創(chuàng)建數(shù)據(jù)增強器
aug1 = iaa.CoarseSalt(p=0.5, size_px=None, size_percent=0.02, per_channel=False, min_size=3, seed=0)
aug2 = iaa.CoarseSalt(p=0.5, size_px=None, size_percent=0.05, per_channel=False, min_size=3, seed=0)
aug3 = iaa.CoarseSalt(p=0.5, size_px=None, size_percent=0.1, per_channel=False, min_size=3, seed=0)

# 對圖像進行數(shù)據(jù)增強
Augmented_image1 = aug1(image=image)
Augmented_image2 = aug2(image=image)
Augmented_image3 = aug3(image=image)

# 展示原始圖像和數(shù)據(jù)增強后的圖像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(Augmented_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

運行結(jié)果如下：

可以從圖3看到：

• 當(dāng)size_percent參數(shù)設(shè)置的越大時，增強后的新圖像的每個鹽噪聲方塊的尺寸會越小(size_percent和噪聲方塊尺寸的關(guān)系見size_percent的參數(shù)描述)。
  • 當(dāng)size_percent=0.02時，每個鹽噪聲方塊的尺寸都接近(50, 50)，根據(jù)p確定將多少個區(qū)域替換為鹽噪聲方塊。
  • 當(dāng)size_percent=0.05時，每個鹽噪聲方塊的尺寸都接近(20, 20)，根據(jù)p確定將多少個區(qū)域替換為鹽噪聲方塊。
  • 當(dāng)size_percent=0.1時，每個鹽噪聲方塊的尺寸都接近(10, 10)，根據(jù)p確定將多少個區(qū)域替換為鹽噪聲方塊。

4. per_channel設(shè)置為True

import cv2
import imgaug.augmenters as iaa
import matplotlib.pyplot as plt

# 讀取圖像
img_path = r"D:\python_project\lena.png"
img = cv2.imread(img_path)
image = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 創(chuàng)建數(shù)據(jù)增強器
aug1 = iaa.CoarseSalt(p=0.5, size_px=None, size_percent=0.02, per_channel=True, min_size=3, seed=0)
aug2 = iaa.CoarseSalt(p=0.5, size_px=None, size_percent=0.05, per_channel=True, min_size=3, seed=0)
aug3 = iaa.CoarseSalt(p=0.5, size_px=None, size_percent=0.1, per_channel=True, min_size=3, seed=0)

# 對圖像進行數(shù)據(jù)增強
Augmented_image1 = aug1(image=image)
Augmented_image2 = aug2(image=image)
Augmented_image3 = aug3(image=image)

# 展示原始圖像和數(shù)據(jù)增強后的圖像
fig, axes = plt.subplots(2, 2, figsize=(10, 10))
axes[0][0].imshow(image)
axes[0][0].set_title("Original Image")
axes[0][1].imshow(Augmented_image1)
axes[0][1].set_title("Augmented Image1")
axes[1][0].imshow(Augmented_image2)
axes[1][0].set_title("Augmented Image2")
axes[1][1].imshow(Augmented_image3)
axes[1][1].set_title("Augmented Image3")
plt.show()

運行結(jié)果如下：

可以從圖4看到：圖像增強后的新圖像將會出現(xiàn)彩色失真(不再是鹽噪聲)。
原因：當(dāng)per_channel設(shè)置為True時，RGB的三個通道會獨立進行處理，不一定能夠同時替換為鹽噪聲塊。

注意事項

1. p的選擇：p參數(shù)決定了一副圖像鹽噪聲的強度。較大的p值可能會導(dǎo)致新圖像出現(xiàn)嚴(yán)重失真。需要根據(jù)具體場景選擇合適的p；
2. size_px的選擇：size_px參數(shù)決定了鹽噪聲塊的大小。錯誤地設(shè)置size_px值可能會導(dǎo)致原圖完全被替換成鹽噪聲圖像。需要根據(jù)具體場景選擇合適的size_px；
3. size_percent的選擇：size_percent參數(shù)決定了鹽噪聲塊的大小。錯誤地設(shè)置size_percent值也可能會導(dǎo)致原圖完全被替換成鹽噪聲圖像。需要根據(jù)具體場景選擇合適的size_percent；
4. size_px和size_percent：若size_percent為None，則size_px參數(shù)必須設(shè)置；若size_px為None，則size_percen參數(shù)必須設(shè)置；
5. **隨機性和可復(fù)現(xiàn)性(seed)**：如果需要可復(fù)現(xiàn)的結(jié)果，應(yīng)該設(shè)置seed參數(shù)為一個固定的整數(shù)值。這將初始化隨機數(shù)生成器，使得每次運行增強操作時都能得到相同的結(jié)果；
6. 與其他增強操作的組合：iaa.CoarseSalt可以與其他imgaug增強操作組合使用，以創(chuàng)建更復(fù)雜的增強管道。在組合多個增強操作時，應(yīng)注意它們的順序，因為不同的順序可能會導(dǎo)致不同的最終效果。
7. min_size的設(shè)置：合理地設(shè)置min_size可以預(yù)防因為錯誤地設(shè)置size_px參數(shù)或者size_percent參數(shù)導(dǎo)致原圖被完全替換為鹽噪聲的問題。
8. 謹(jǐn)慎設(shè)置per_channel參數(shù)：當(dāng)per_channel設(shè)置為True時，RGB的三個通道會獨立進行處理，導(dǎo)致出現(xiàn)彩色噪聲塊，并非常規(guī)的鹽噪聲塊。

總結(jié)

iaa.CoarseSalt是imgaug庫中的一個圖像增強方法，用于向圖像中添加粗糙的鹽噪聲。相比于iaa.Salt，它的噪聲顆粒更大，能夠模擬更為粗糙的噪聲模式。以下是該方法的總結(jié)：

1. 作用：通過添加大范圍的噪聲塊，模擬圖像在惡劣條件下的噪聲模式，或者用于創(chuàng)造特殊的藝術(shù)效果。

2. 參數(shù)：

   • p：定義了像素被替換為鹽噪聲（白色）的概率。
   • size_px：可用于定義噪聲塊的大小。
   • size_percent：可用于定義噪聲塊的大小。
   • per_channel：決定是否對每個通道獨立地應(yīng)用噪聲。
   • min_size：定義噪聲塊的最小大小。
   • seed：用于設(shè)置隨機數(shù)生成器的種子，以確保結(jié)果的可重復(fù)性。
   • name：增強器的名稱。

3. 用途：

   • 增強大圖像的視覺效果：在處理大圖像時，通過添加大范圍的噪聲塊來增強圖像的細節(jié)和紋理。
   • 模擬惡劣天氣條件下的圖像：模擬由于惡劣天氣（如霧、沙塵暴等）導(dǎo)致的較大范圍的噪聲干擾。
   • 創(chuàng)造藝術(shù)效果：通過控制噪聲的大小和密度，在圖像中創(chuàng)造特殊的藝術(shù)效果。

小結(jié)

imgaug是一個頂級的圖像增強庫，具備非常多的數(shù)據(jù)增強方法。它為你提供創(chuàng)造豐富多樣的訓(xùn)練數(shù)據(jù)的機會，從而顯著提升深度學(xué)習(xí)模型的性能。通過精心定制變換序列和參數(shù)，你能靈活應(yīng)對各類應(yīng)用場景，使我們在處理計算機視覺的數(shù)據(jù)增強問題時游刃有余。隨著深度學(xué)習(xí)的持續(xù)發(fā)展，imgaug將在未來持續(xù)展現(xiàn)其不可或缺的價值。因此，明智之舉是將imgaug納入你的數(shù)據(jù)增強工具箱，為你的項目帶來更多可能性。

參考鏈接

結(jié)尾

親愛的讀者，首先感謝您抽出寶貴的時間來閱讀我們的博客。我們真誠地歡迎您留下評論和意見，因為這對我們來說意義非凡。
俗話說，當(dāng)局者迷，旁觀者清。您的客觀視角對于我們發(fā)現(xiàn)博文的不足、提升內(nèi)容質(zhì)量起著不可替代的作用。
如果您覺得我們的博文給您帶來了啟發(fā)，那么，希望您能為我們點個免費的贊/關(guān)注，您的支持和鼓勵是我們持續(xù)創(chuàng)作的動力。
請放心，我們會持續(xù)努力創(chuàng)作，并不斷優(yōu)化博文質(zhì)量，只為給您帶來更佳的閱讀體驗。
再次感謝您的閱讀，愿我們共同成長，共享智慧的果實！文章來源地址http://www.zghlxwxcb.cn/news/detail-793362.html

到了這里，關(guān)于imgaug庫指南（26）：從入門到精通的【圖像增強】之旅（萬字長文?。┑奈恼戮徒榻B完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！